时间序列模型学习笔记(一)

本文介绍了时间序列模型的学习笔记,重点讨论了时间序列的预处理和平稳时间序列。预处理用于检验序列的随机性和平稳性,区分不同类型的序列。接着详细阐述了ARMA模型,包括AR和MA模型的统计特性,以及如何通过ACF和PACF选择模型阶数进行建模。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

时间序列模型学习笔记(一)

1.时间序列的预处理

时间序列的预处理是对一个观察值序列的纯随机性和平稳性进行检验,根据检验结果可以将此序列分为不同的类型,纯随机序列也称为白噪声序列,是没有任何信息可以提取的平稳随机序列。

通过预处理将序列分成不同类型之后我们就可以根据各种序列类型的特点使用不同的模型建模,常见的平稳时间序列建模模型为ARMA(可以分为AR、MA和ARMA三类),此模型是使用线性模型来拟合平稳序列。非平稳的序列分析可以建立的模型有ARIMA以及残差自回归模型等等。

2.平稳时间序列

2.1 基本概念
  • ARMA模型,如下结构可以简记为ARMA(p,q):

    xt=α0+α1xt1+α2xt2++αpxtp+εt+β1εt1+β2εt2++βq
### 关于李沐深度学习笔记中的序列模型 #### 数据生成与预处理 为了研究序列模型,在实验中使用正弦函数加上定量的可加性噪声来创建具有时间特性的数据集[^2]。这些数据的时间跨度设定为从1到1000个时间单位。 #### 输入输出关系构建 对于每个时间点\(t\),目标变量\(y_t\)被设置成等于当前时刻的特征值\(x_t\);而输入向量\(x_t\)则由前\(\tau\)个时间步的数据组成,即\[x_t=[x_{t-\tau},...,x_{t-1}]\]。 #### 模型结构设计 采用了个相对基础的设计——个多层感知器(MLP),它包含了两层全连接神经网络以及中间使用的ReLU作为激活函数,并利用均方误差(MSE)作为损失函数来进行优化过程。 ```python import torch.nn as nn class SimpleRNN(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(SimpleRNN, self).__init__() self.hidden_layer_1 = nn.Linear(input_size * tau, hidden_size) self.relu_activation = nn.ReLU() self.output_layer = nn.Linear(hidden_size, output_size) def forward(self, x): out = self.hidden_layer_1(x.view(-1)) out = self.relu_activation(out) out = self.output_layer(out) return out ``` #### 训练流程概述 经过系列迭代之后,该简单架构能够学会捕捉给定序列内部存在的模式并据此做出合理预测。 #### 预测性能评估 除了单步向前看之外,还探讨了如何实现更长远范围内的多步乃至K步外推能力测试。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值